CN108665092A - 一种基于混合萤火虫算法的全流程排产与优化方法 - Google Patents

Abstract

本发明公开了一种基于混合萤火虫算法的全流程排产与优化方法，包括以下步骤：S1：收集生产数据，所述的生产数据包括销售订单、产品数据、工艺流程、每个分厂的库存数据、每个分厂的设备能力和每个分厂的停机数据；S2：通过生产数据制定生产计划；S3：设置约束模型，所述的约束模型用于对生产计划进行调整；S4：利用混合萤火虫算法对约束模型进行求解，得到在约束模型下关于生产计划的最优解；S5：根据生产计划的最优解更新生产计划，并执行更新后的生产计划。本发明提高了生产计划编制的效率；基于萤火虫算法的仿生智能算法用于优化模型实现简易，具有较强的全局搜索能力，收敛速度快，解的精度高，提高了铝合金生产线上设备整体利用率。

Description

一种基于混合萤火虫算法的全流程排产与优化方法

技术领域

本发明涉及生产线的排产与优化方法领域，更具体地，涉及一种基于混合萤火虫算法的全流程排产与优化方法。

背景技术

随着市场环境的动态变化，铝合金产品生产需求的随机性和不确定性是必然的，其大多数订单呈现多品种、小批量等特点，使得铝加工企业在一个计划周期内对多达几十种产品进行提料与排产，这对铝加工企业生产部门的计划制定提出了很高的要求。目前，多数铝加工生产企业管理与排产的智能化程度不高，生产计划完全由人工编制，排产质量依赖于排产人员的经验，缺乏准确性与科学性；排产人员在编制计划时既要考虑新接订单的提料又要顾及消化车间余料，还要考虑提高设备利用率、降低生产能耗，特别是针对具有熔铸-热轧-冷轧的全流程铝加工企业，多个车间之间的提料与编制计划通过例会、口头传达等形式，费时费力，成本高。人工提料与编制计划的效率与质量严重制约企业管理水平的提高。

优化生产计划是生产管理中的关键部分。传统的运筹学方法虽然从理论上能求得最优解，但计算需耗费大量时间，且要求条件较多，在实际问题上难以应用。基于规则的启发式算法具有简单高效、实时性强和灵活多变等优点，但它在大规模问题上解的质量不高，并且结果对生产条件和特殊要求较为依赖，难以得到全局优化结果。基于生物智能的启发式进化算法不依赖于目标函数的梯度信息，适合于处理传统搜索方法解决不了的复杂问题和非线性问题，具有较快的收敛速度和较高的求解精度。混合萤火虫算法是一种优化效果较好的仿生智能算法，能够根据问题的维度和变量范围动态变化，调节距离缩放比例以使吸引因子一直保持在合理的范围内；对随机因子，采取了线性下降的方式，在算法的初期，较大的随机因子保证其全局探索能力，算法的后期，较小的随机扰动保证算法的局部开发能力和收敛性,具备较好的寻优性能，在解决大规模优化问题上有很好的应用前景。如何应用混合萤火虫算法求解实际的生产计划问题具有重要的应用价值。

发明内容

本发明克服了传统的运筹学方法的技术缺陷，提供了一种新的基于混合萤火虫算法的全流程排产与优化方法。本发明使各个生产分厂间的排产能够自动化，提高了生产计划编制的效率；基于萤火虫算法的仿生智能算法用于优化模型实现简易，具有较强的全局搜索能力，收敛速度快，解的精度高，提高了铝合金生产线上设备整体利用率。

为解决上述技术问题，本发明的技术方案如下：

一种基于混合萤火虫算法的全流程排产与优化方法，包括以下步骤：

S1：收集生产数据，所述的生产数据包括销售订单、产品数据、工艺流程、每个分厂的库存数据、每个分厂的设备能力和每个分厂的停机数据；

S2：通过生产数据制定生产计划；

S3：设置约束模型，所述的约束模型用于对生产计划进行调整；

S4：利用混合萤火虫算法对约束模型进行求解，得到在约束模型下关于生产计划的最优解；

S5：根据生产计划的最优解更新生产计划，并执行更新后的生产计划。

在一种优选的方案中，所述的S2包括如下流程：

S2.1：删除的所有销售订单下所有计划状态的生产订单，并释放对应的库存分配；

S2.2：对当前分厂进行初始化设置；

S2.3：按当前分厂的销售订单或生产订单投料单收集需求，计算订单需求量 1，所述的订单需求量1通过下式进行计算：

订单需求量1＝订单量-已分配库存量；

S2.4：查询在途订单，计算订单需求量2，所述的订单需求量2通过下式进行计算：

订单需求量2＝订单需求量1-订单需求在途量；

S2.5：分配库存，通过销售订单匹配产品编码，中间产品按相似度进行匹配，所述的中间产品指的是物料经过若干个程序，但未最终完成的产品；净需求通过下式进行计算：

净需求＝订单需求量2–中间产品的库存量；

S2.6：如果净需求>0，通过物料清单、产品工艺规程制定生产订单；

S2.7：当前分厂所有需求计算完成后，如果不存在计划状态的生产订单，全流程排产与优化方法结束。

在一种优选的方案中，所述的相似度通过下式进行计算：

式中，所述的S代表相似度；所述的H_余表示余料的厚度；所述的W_余表示余料的宽度；所述的T_余表示余料的重量；所述的H表示需求的厚度；所述的W 表示需求的宽度；所述的T表示需求的重量。

在一种优选的方案中，所述的S3包括如下子流程：

S3.1：定义以下两种决策变量用于表征生产顺序和生产设备：

其中，i，j＝0,1,…,n；i，j＝0代表虚拟生产订单，表示生产的开始和结束；l 代表设备，l＝1,2,…,m；

S3.2：定义目标函数；

其中，定义生产调整时间：

其中，i≠j；i，j＝1,2,…,n，所述的n表示随机正数；l＝1,2,…,m，所述的m表示随机正数；t_ijl表示在加工设备l中，生产订单i，j之间的生产调整时间；所述的T₁(X)表示生产调整时间；

定义生产时间：

其中，i＝1,2,…,n；l＝1,2,…,m；t_il表示生产订单i在加工设备l中加工时间；所述的T₂(Y)表示生产调整时间

定义生产总时间：

所述的生产总时间等于生产调整时间和生产时间之和，生产总时间通过下式进行计算：

式中，所述的f₁(X,Y)表示生产总时间；

S3.3：定义约束条件：

S3.3.1：设备中订单i之后有且只有一个订单，通过下式表示：

所述的n为生产订单的数量；

S3.3.2：设备中订单j之前有且只有一个订单，通过下式表示：

S3.3.3：一个订单只能安排到一台设备中或者不进行生产，通过下式表示：

S3.3.4：每台设备的生产中都包括一个虚拟订单，通过下式表示：

S3.3.5：正在生产的订单总量不超出当前生产周期内设备的生产能力，通过下式表示：

其中，所述的表示生产周期内每台设备生产能力的上限；所述的表示生产周期内每台设备生产能力的下限，g_i,l表示订单i在设备l上的生产时间。

在一种优选的方案中，所述的S4包括以下流程：

S4.1：对混合萤火虫算法的参数和种群进行初始化；所述的参数包括种群大小，最大迭代次数T，随机因子初始值α_s，随机因子结束值α_e；

其中，个体编码采用长度为生产订单数量的实数编码，结构如下：

[s₁,s₂,...,s_d,...,s_n]

S4.2：计算S3.2中目标函数的值，并使用约束模型修改目标函数值；

计算目标函数时将个体的实数编码的序列转换为整数编码的序列，通过对实数编码的序列进行降序排序后读取在原序列的位置作为整数编码的值；

将[s₁,s₂,...,s_d,...,s_n]进行降序排列，得到位置索引集合[φ₁,φ₂,...,φ_d,...,φ_n]，然后按下式得到[i₁,i₂,...,i_d,...,i_n]：

S4.3：通过混合萤火虫算法的吸引算子更新个体位置，通过下式表示：

X_i＝X_i+β(X_j-X_i)+α·(φ-0.5)

α＝α_s-(α_s-α_e)*t/T

式中，所述的X_i与X_j是第i个与第j个萤火虫个体的位置，实际随机因子α的取值随迭代次数线性由α_s下降至α_e；所述的t是当前迭代次数；所述的φ是随机数，服从[0,1]上的均匀分布；所述的K为调节常量；所述的Dim为问题维度与个体编码长度即生产订单数量一致，所述的Range为变量取值范围，变量取值范围可由优化问题所定义；所述的β₀＝1，所述的γ＝1；所述的r_i,j是第i个与第j 个萤火虫个体之间的欧式距离；

S4.4：利用S4.2的方法计算目标函数值，更新种群的适应度；

S4.5：通过锦标赛选择机制在种群中选择精英个体；

S4.6：遍历种群，随机选择两个父个体，执行交叉算子：

newFirefly＝parentOne·β+parentTwo·(1-β)

式中，所述的newFirefly是新产生的萤火虫个体,所述的β是随机数字，β的取值范围是(0,1)；所述的parentOne和parentTwo是两个从精英群体中选择的两个个体。

在一种优选的方案中，所述的r_i,j是X_i和X_j之间的欧氏距离，所述的r_i,j通过下式进行计算：

式中，所述的X_i,k代表X_i的第k个分量，X_j,k代表X_j的第k个分量。

在一种优选的方案中，所述的S4.5包括以下子流程：

S4.5.1：设置锦标赛选择竞争的个数c，设置生成精英个体的个数；

S4.5.2：随机选择c个不同的个体，比较它们的适应度，选择取最大适应度的个体加入精英个体；

S4.5.3：判断精英个体数是否达到设定值，如果达到设定值，则转到S4.6；否则执行S4.5.2。

在一种优选的方案中，所述的S5包括如下流程：

判断是否达到最大迭代次数T，如果没有达到最大迭代次数T，则重复执行S4.3，否则输出生产计划的最优解，所述的生产计划的最优解通过甘特图形式进行展示，并更新生产计划，将更新后的生产计划下达至分厂车间执行。

与现有技术相比，本发明技术方案的有益效果是：

本发明基于萤火虫算法的仿生智能算法用于优化模型实现简易，具有较强的全局搜索能力，收敛速度快，解的精度高，提高了生产计划编制的质量和编制的效率，也提高了生产线上设备整体利用率。

附图说明

图1为实施例的流程图。

图2为实施例排产后的各个分厂的物流关系图。

图3为实施例优化后的生产计划甘特图。

图4为实施例中铝合金熔铸-热轧-冷轧全流程典型工艺流程图。

图5是实施例中生产计划的甘特图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

本实施例应用于铝合金熔铸-热轧-冷轧全流程生产线环境。

铝合金熔铸-热轧-冷轧全流程生产线的主要流程是：计划员接收待排产的销售订单，执行排产操作；根据产品工艺路线、各分厂库存、设备产能和停机计划，自动计算中间产品规格、自动挂料、自动排产，生成各分厂的生产订单；如需插单，利用甘特图功能，手动调整各生产订单执行顺序；系统提供定时优化功能，调整生产订单执行顺序，最大化产能；优化功能也可手工调用。系统定时下达开工时间临近的生产订单，该功能也可手工调用。针对设备意外停机，可选择执行停机重排。铝合金熔铸-热轧-冷轧全流程典型工艺流程如图4所示。铝合金生产线系统架构如图5所示。

如图1所示，一种基于混合萤火虫算法的全流程排产与优化方法，包括以下步骤：

步骤1：基础数据准备；

步骤1.1：从外部信息系统读取待排产的销售订单；

每个销售订单的内容包括：销售订单号、订单货物的品种、合金、状态、技术标准、规格、数量、交期等；

步骤1.2：从外部信息系统读取产品与工艺流程；

每个产品数据包括：产品编码、品种、合金、状态、技术标准、规格、工艺编码等；

每个工艺规程的内容包括：工艺编码、品种、合金、状态、技术标准、规格、所走工艺路线等；其中工艺路线的内容包括：工序顺序、工序名称、加工设备、加工时间等；

步骤1.3：从外部信息系统读取各个分厂的库存数据；

每个库存数据的内容包括：物料号、物合金、状态、品种、规格、数量、所在库房等；

步骤1.4：从外部信息系统读取各个分厂设备能力及停机数据；

每个设备能力的内容包括：设备编号、设备名称、设备的最大能力等；

每个设备停机数据的内容包括：设备编号、设备名称、停机开始时间、停机结束时间等；

步骤2：排产；

步骤2.1：删除所有该销售订单下所有计划状态的生产订单，释放相应的库存分配；

步骤2.2：初始设置当前分厂；

步骤2.3：按当前分厂收集需求(销售订单明细或生产订单投料单)，计算订单需求：需求量1＝订单量-已分配库存量；

步骤2.4：查询在途(确认或下达状态的生产订单)，计算需求：需求量2＝需求量1-在途量；

步骤2.5：分配库存，销售订单明细严格匹配产品编码，中间产品按相似度匹配，计算需求：净需求＝需求量2–新增库存分配量；

中间产品分配库存方法：按照相似度在余料库存中查找余料，按照下面公式计算余料规格(厚度H_余、宽度W_余、重量T_余)与需求规格(厚度H、宽度W、重量T)的相似性，找出相似性值最大的余料。

步骤2.6：如果净需求大于0，根据物料清单、产品工艺规程生成生产订单 (含生产订单产品、生产订单投料单和生产订单工艺规程)；

步骤2.7：当前分厂所有需求计算完成后，如果不存在计划状态的生产订单，程序结束；计算结果如图2所示；就图2本身来说，其内容包括：最终交货产品是冷轧卷，由冷轧分厂生产，冷轧卷的规格是1.02*2590.8，数量是12个；经过自动计算，生产冷轧卷的原料品种是热轧卷，热轧卷由热轧分厂生产，热轧卷的规格是4*2630，数量是2个；生产热轧卷的原料品种是扁锭，扁锭由熔铸分厂生产，扁锭规格是640*2750*6500，数量是2个；

步骤3：本专利所述的一种基于混合萤火虫算法的铝加工全流程排产与优化方法，所述模型为：有r个销售订单，n个虚拟生产订单，m台设备进行加工，每个订单包含多道工序，每个工件的工序顺序以及在不同机器的加工时间确定，在加工过程中满足各项约束条件，优化目标为生产总时间等于生产调整时间与生产时间之和最小；

步骤3.1：定义以下两种决策变量用来表征生产顺序和生产设备：

其中，i，j＝0,1,…,n，i，j＝0代表虚拟生产订单，表示生产的开始和结束；l 代表设备，l＝1,2,…,m。

步骤3.2：定义目标函数；

生产调整时间：

其中：i≠j；t_ijl(i，j＝1,2,…,n，l＝1,2,…,m)表示在加工设备l中，生产订单i，j之间的加工调整时间。

生产时间：

其中：t_il(i＝1,2,…,n，l＝1,2,…,m)表示生产订单i在加工设备l中加工时间。

生产总时间为生产调整时间和生产时间之和：

步骤3.3：约束条件

1)设备中订单i之后有且只有一个订单。

2)设备中订单j之前有且只有一个订单。

3)一个订单只能安排到一台设备中或者不进行生产。

4)每台设备的生产中都包括一个虚拟订单。

5)对于进行生产的订单总重量不超出当前生产周期内设备的生产能力。

其中，和分别表示生产周期内每台设备生产能力的上下限。

步骤4：利用混合萤火虫智能优化算法对模型进行求解，优化的生产计划范围包括生产订单为计划状态或确定状态的生产计划；

步骤4.1：初始化算法参数以及种群；参数包括种群大小，最大迭代次数T, 随机因子初始值α_s，随机因子结束值α_e；

个体编码采用长度为生产订单数量的实数编码，结构如下：

[s₁,s₂,...,s_d,...,s_n] (13)

其中，n为生产订单的数量。

步骤4.2：计算目标函数值，并使用约束条件处理方法修改目标函数值；

计算目标函数时需要将实数编码的序列转换为整数编码的序列，通过对实数编码的序列进行降序排序后读取其在原来序列的位置作为整数编码的值。

将[s₁,s₂,...,s_d,...,s_n]进行降序排列，得到位置索引集合[φ₁,φ₂,...,φ_d,...,φ_n]，然后按下式得到[i₁,i₂,...,i_d,...,i_n]：

步骤4.3：吸引操作。根据萤火虫算法的吸引算子(15)生成新的个体；

X_i＝X_i+β(X_j-X_i)+α·(φ-0.5) (15)

α＝α_s-(α_s-α_e)*t/T (18)

其中X_i与X_j是第i个与第j个萤火虫个体，实际随机因子α的取值随迭代次数线性由α_s下降至α_e。t是当前迭代次数，T是最大迭代次数。φ是随机数，服从[0,1]上的均匀分布。K为一调节常量，推荐取值为O(1)。Dim为问题维度与编码长度一致，Range为变量范围(对于不同维度上变量范围一样的问题，取最大范围)。β₀是1，γ是1。r_i,j是第i个与第j个萤火虫个体之间的欧式距离,计算根据下式进行：

步骤4.4：利用步骤4.2所述方法计算目标函数值，更新种群的适应度；

步骤4.5：采用锦标赛选择机制选择精英个体；

步骤4.5.1:设置锦标赛选择竞争的个数c，默认为2；设置生成精英个体的个数；

步骤4.5.2:随机选择c个不同的个体，比较它们的适应度，取最大适应度的个体加入精英个体；

步骤4.5.3:判断精英个体数是否达到设定值，判断是否达到精英个体的上限，如果达到，则转到步骤4.6，否则重复执行步骤4.5.2到步骤4.5.3；

步骤4.6：遍历种群，随机选择两个父个体，执行交叉算子；

newFirefly＝parentOne·β+parentTwo·(1-β) (20)

其中，newFirefly是新产生的萤火虫个体,β是随机数字，其值所属范围是 (0,1),parentOne和parentTwo是两个从精英群体中选择的两个个体。

步骤4.7：判断是否达到迭代次数最大值，如果没有达到则重复执行步骤4.3 到步骤4.7，否则输出最优解；最优解以甘特图形式展示，如图3所示,甘特图纵向维度显示分厂的生产设备，甘特图横向维度显示生产日期，鼠标悬停到甘特条上可以查看生产计划的详细信息；甘特条允许手工拖动；

步骤5：将人机确定的排产计划下达至分厂车间。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于混合萤火虫算法的全流程排产与优化方法，其特征在于，包括以下步骤：

S1：收集生产数据，所述的生产数据包括销售订单、产品数据、工艺流程、每个分厂的库存数据、每个分厂的设备能力和每个分厂的停机数据；

S2：通过生产数据制定生产计划；

S3：设置约束模型，所述的约束模型用于对生产计划进行调整；

S4：利用混合萤火虫算法对约束模型进行求解，得到在约束模型下关于生产计划的最优解；

S5：根据生产计划的最优解更新生产计划，并执行更新后的生产计划。

2.根据权利要求1所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的S2包括如下流程：

S2.1：删除的所有销售订单下所有计划状态的生产订单，并释放对应的库存分配；

S2.2：对当前分厂进行初始化设置；

S2.3：按当前分厂的销售订单或生产订单投料单收集需求，计算订单需求量1，所述的订单需求量1通过下式进行计算：

订单需求量1＝订单量-已分配库存量；

S2.4：查询在途订单，计算订单需求量2，所述的订单需求量2通过下式进行计算：

订单需求量2＝订单需求量1-订单需求在途量；

S2.5：分配库存，通过销售订单匹配产品编码，中间产品按相似度进行匹配，所述的中间产品指的是物料经过若干个程序，但未最终完成的产品；净需求通过下式进行计算：

净需求＝订单需求量2–中间产品的库存量；

S2.6：如果净需求>0，通过物料清单、产品工艺规程制定生产订单；

S2.7：当前分厂所有需求计算完成后，如果不存在计划状态的生产订单，全流程排产与优化方法结束。

3.根据权利要求2所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的相似度通过下式进行计算：

式中，所述的S代表相似度；所述的H_余表示余料的厚度；所述的W_余表示余料的宽度；所述的T_余表示余料的重量；所述的H表示需求的厚度；所述的W表示需求的宽度；所述的T表示需求的重量。

4.根据权利要求2或3所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的S3包括如下子流程：

S3.1：定义以下两种决策变量用于表征生产顺序和生产设备：

其中，i，j＝0,1,…,n；i，j＝0代表虚拟生产订单，表示生产的开始和结束；l代表设备，l＝1,2,…,m；

S3.2：定义目标函数；

其中，定义生产调整时间：

其中，i≠j；i，j＝1,2,…,n，所述的n表示随机正数；l＝1,2,…,m，所述的m表示随机正数；t_ijl表示在加工设备l中，生产订单i，j之间的生产调整时间；所述的T₁(X)表示生产调整时间；

定义生产时间：

其中，i＝1,2,…,n；l＝1,2,…,m；t_il表示生产订单i在加工设备l中加工时间；所述的T₂(Y)表示生产调整时间

定义生产总时间：

所述的生产总时间等于生产调整时间和生产时间之和，生产总时间通过下式进行计算：

式中，所述的f₁(X,Y)表示生产总时间；

S3.3：定义约束条件：

S3.3.1：设备中订单i之后有且只有一个订单，通过下式表示：

所述的n为生产订单的数量；

S3.3.2：设备中订单j之前有且只有一个订单，通过下式表示：

S3.3.3：一个订单只能安排到一台设备中或者不进行生产，通过下式表示：

S3.3.4：每台设备的生产中都包括一个虚拟订单，通过下式表示：

S3.3.5：正在生产的订单总量不超出当前生产周期内设备的生产能力，通过下式表示：

其中，所述的表示生产周期内每台设备生产能力的上限；所述的表示生产周期内每台设备生产能力的下限，g_i,l表示订单i在设备l上的生产时间。

5.根据权利要求4所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的S4包括以下流程：

S4.1：对混合萤火虫算法的参数和种群进行初始化；所述的参数包括种群大小，最大迭代次数T，随机因子初始值α_s，随机因子结束值α_e；

其中，个体编码采用长度为生产订单数量的实数编码，结构如下：

[s₁,s₂,...,s_d,...,s_n]

S4.2：计算S3.2中目标函数的值，并使用约束模型修改目标函数值；

计算目标函数时将个体的实数编码的序列转换为整数编码的序列，通过对实数编码的序列进行降序排序后读取在原序列的位置作为整数编码的值；

将[s₁,s₂,...,s_d,...,s_n]进行降序排列，得到位置索引集合[φ₁,φ₂,...,φ_d,...,φ_n]，然后按下式得到[i₁,i₂,...,i_d,...,i_n]：

S4.3：通过混合萤火虫算法的吸引算子更新个体位置，通过下式表示：

X_i＝X_i+β(X_j-X_i)+α·(φ-0.5)

α＝α_s-(α_s-α_e)*t/T

式中，所述的X_i与X_j是第i个与第j个萤火虫个体的位置，实际随机因子α的取值随迭代次数线性由α_s下降至α_e；所述的t是当前迭代次数；所述的φ是随机数，服从[0,1]上的均匀分布；所述的K为调节常量；所述的Dim为问题维度与个体编码长度即生产订单数量一致，所述的Range为变量取值范围，变量取值范围可由优化问题所定义；所述的β₀＝1，所述的γ＝1；所述的r_i,j是第i个与第j个萤火虫个体之间的欧式距离；

S4.4：利用S4.2的方法计算目标函数值，更新种群的适应度；

S4.5：通过锦标赛选择机制在种群中选择精英个体；

S4.6：遍历种群，随机选择两个父个体，执行交叉算子：

newFirefly＝parentOne·β+parentTwo·(1-β)

式中，所述的newFirefly是新产生的萤火虫个体,所述的β是随机数字，β的取值范围是(0,1)；所述的parentOne和parentTwo是两个从精英群体中选择的两个个体。

6.根据权利要求5所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的r_i,j是X_i和X_j之间的欧氏距离，所述的r_i,j通过下式进行计算：

式中，所述的X_i,k代表X_i的第k个分量，X_j,k代表X_j的第k个分量。

7.根据权利要求5或6所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的S4.5包括以下子流程：

S4.5.1：设置锦标赛选择竞争的个数c，设置生成精英个体的个数；

S4.5.2：随机选择c个不同的个体，比较它们的适应度，选择取最大适应度的个体加入精英个体；

S4.5.3：判断精英个体数是否达到设定值，如果达到设定值，则转到S4.6；否则执行S4.5.2。

8.根据权利要求7所述的基于混合萤火虫算法的全流程排产与优化方法，其特征在于，所述的S5包括如下流程：

判断是否达到最大迭代次数T，如果没有达到最大迭代次数T，则重复执行S4.3，否则输出生产计划的最优解，所述的生产计划的最优解通过甘特图形式进行展示，并更新生产计划，将更新后的生产计划下达至分厂车间执行。